研究人员在量子计算方面取得了重大突破，通过展示量子神经网络如何利用几个简单的“乘积态”来理解和预测量子系统，从而有望带来更高效、可靠的量子计算机。

想象一个世界，在这个世界里，计算机可以揭示量子力学的奥秘，使我们能够研究复杂材料的行为或以前所未有的精确度模拟分子的复杂动力学。

感谢EPFL的Zoe Holmes教授及其团队的先驱性研究，我们现在离这一目标更近了一步。他们与Caltech的研究人员、柏林自由大学以及洛斯阿拉莫斯国家实验室合作，他们发现了一种新的方法，可以教会量子计算机如何理解和预测量子系统的行为，即使只用一些简单的例子也可以做到。

量子神经网络（QNNs）

研究人员专注于“量子神经网络”（QNNs），这是一种基于量子力学原理设计的机器学习模型，旨在通过学习和处理信息来模仿量子系统的行为。

就像人工智能中使用的神经网络一样，量子神经网络（QNNs）由相互连接的节点或“神经元”组成，其执行计算。不同之处在于，在QNNs中，神经元是基于量子力学原理运作的，使其能够处理和操作量子信息。

"“通常情况下，当我们教导一台计算机时，需要很多示例，”霍姆斯说道。”然而在这项研究中，我们展示出仅仅凭借一些称为‘乘积态’的简单示例，计算机便能学习量子系统的行为，即便是处理更加复杂和具有挑战性的纠缠态。”

产品状态

科学家使用的“产品状态”是指量子力学中描述量子系统特定类型状态的概念。例如，如果一个量子系统由两个电子组成，那么当分别考虑每个电子的状态并将它们结合在一起时，它的产品状态就形成了。

产品态通常被用作量子计算和测量的起点，因为它们提供了一个更简单、更易于处理的框架，用于研究和理解量子系统的行为，然后再转向更复杂和纠缠态，在纠缠态中，粒子是相关的，不能单独描述。

更好的量子计算机即将出现

研究人员证明，通过仅利用这些简单示例的一小部分进行QNNs的训练，计算机可以有效地把握纠缠量子系统的复杂动态。

霍姆斯解释道：“这意味着我们或许能够利用更小、更简单的计算机，比如即将在未来几年内出现的中间级量子计算机[NISQ]，来了解和理解量子系统，而不需要那些可能要几十年才会问世的庞大而复杂的计算机。”

这项工作还为使用量子计算机解决重要问题开辟了新的可能性，比如研究复杂的新材料或模拟分子的行为。

最终，这种方法通过实现更短、更能抵御错误的程序的创建，提高了量子计算机的性能。通过了解量子系统的行为，我们可以简化量子计算机的编程过程，从而提高其效率和可靠性。霍尔姆斯表示：“通过使程序更简短、更少出错，我们可以使量子计算机变得更加优秀。”